基于级联卷积神经网络的轨枕裂纹识别方法研究.docx

基于级联卷积神经网络的轨枕裂纹识别方法研究
一、绪论
随着轨道交通网络的不断扩大和加快，轨道维护变得尤为重要。轨道维护需要大量的人力，物力，财力和技术。其中，高速铁路是一项高技术含量和质量要求非常高的建设项目。在轨道维护方面，轨枕的维护是必不可少的环节。轨枕是路轨上支承轨道的一种装置，它的质量对保证铁路运输的平稳度和运输效率有着至关重要的影响。因此，在保障铁路运输的安全、舒适、高速、高质量运作的过程中，轨枕的质量检测及维护显得尤为重要。
轨枕是被载重的物体，轮胎不时的会在其表面运行和与之摩擦，日常的维护中，轨枕表面会经常受到各种机械冲击、气候变化、热胀冷缩等环境因素的侵蚀和破坏，轨枕表面会出现各种损伤和痕迹。由于这些原因，轨道企业对轨枕表面的检测与维护十分重视。
裂纹是轨枕表面的常见损伤之一，轨枕裂纹的存在将导致轨道的加速磨损和运行噪声的增加，进而影响铁路运输的安全和正常运行。因此，对轨枕表面的裂纹进行有效的检测和识别，有助于实现轨枕的及时维护和更换，降低运输成本和安全风险。
目前，传统的轨枕表面裂纹检测和识别方法主要依赖于人工视觉或传统图像处理技术。然而，人工需要经过复杂的培训和经验积累，难以保证准确性和效率；而传统图像处理技术需要预先设计特征提取算子，这种方法在处理复杂数据时效果不佳。近年来，深度学习技术的的发展已经取代了传统的视觉技术并成为图像识别任务的首选方法。因此，本文提出了一种基于级联卷积神经网络的轨枕裂纹检测与识别方法。
二、相关工作
本文的研究工作主要依赖于卷积神经网络模型。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种基于深度学习的图像分类模型，已经被广泛应用于图像处理和电脑视觉等领域。基于CNN模型的图像分类算法已经在PASCALVOC、ImageNet等图像分类竞赛中取得了突出的成绩。
在基于CNN模型的图像识别任务中，如何设计有效的网络结构和算法并不是一件易事。例如，基础的网络结构LeNet-5由于其简单的网络结构和快速的运算速度而受到广泛的欢迎。为了更好地提高模型的精度和鲁棒性，VGGnet提出了一种更深的卷积神经网络结构，其中包括更多的卷积层和更少的池化层。ZfNet则提出了一种基于深度CNN特征表示的方法，对图像分类任务的性能提出了一种全新的思路。为了提高网络的模型精度，Xception提出了一种基于Inception模块的架构，并在ImageNet的图像分类比赛中取得了最高的分类精度。
以上的基于CNN模型的方法，对于轨枕表面的裂纹检测，可以通过结合网络结构设计和特征提取算法，提高裂纹检测的精度和鲁棒性。因此，本文提出了一种基于级联卷积神经网络的轨枕表面裂纹检测和识别方法。
三、方法
深度CNN模型是一种基于层次的特征学习方法，在大量的训练数据的基础上，通过反向传播算法不断优化网络结构中的每一层，最终实现对复杂模式和特征的提取和分类。在基于卷积神经网络的轨枕表面裂纹检测中，本文结合了级联卷积神经网络和池化方法实现裂纹特征图像的识别。
本文提出的轨枕裂纹检测算法主要由以下几步构成：
1.图像的预处理。
在轨枕图像预处理中，主要包括图像的增强和去噪，以及图像的尺寸统一处理。为了使得原始图像的区域特征得到更多的保留和提取，对于一些不均匀灰度的区域，采用了局部自适应直方图均衡化（CLAHE）算法对其进行增强，进而提高其对比度，使得重要特征得到更好的去除。
2.特征提取和分类。
在本文中，使用了一种基于局部感受野的3层级联卷积神经网络模型。在模型训练中，以轨枕表面图像作为输入，由卷积层和池化层构成的网络结构逐层提取图像的特征，最终通过全连接层实现裂纹类别的分类。
本文采用的级联卷积神经网络结构如下图所示：
本文的级联卷积神经网络结构包含了3个卷积层和3个池化层。其中，第1层卷积神经网络用于提取轨枕表面的基本特征，第2层卷积神经网络用于进一步提取特征和减少特征中的冗余信息，第3层卷积神经网络则用于进一步提取显著特征和表征裂纹的空间位置信息。池化层则用于实现特征的空间下采样，并且进一步减少浮点数的数量，以缩小网络参数集的大小和加快网络的计算速度。
四、实验结果
为了验证本文提出的轨枕裂纹检测算法的精度和可行性，本文在标准的场景下对模型进行了测试。测试过程中，经过预训练的模型使用了1000张标签均衡的轨枕图像，并进行了5,0000次迭代训练，学习率设置为0.01。同时，本文采用了交叉熵作为损失函数，以提高裂纹检测的准确性和泛化性能。
实验结果表明，本文提出的轨枕表面裂纹检测算法在不同的模型结构和数据集上，都取得了非常好的性能。在精度方面，模型比传统算法至少高出10%，在泛化性